Voici la liste des modules proposé par le cadre d'application PyTorch pour Python :
| Nom | Description |
|---|---|
| torch | Ce module contient des structures de données pour des tenseurs multidimensionnels et des opérations mathématiques. |
| torch.nn | Ce module contient les éléments de base des graphiques. |
| torch.nn.functional | Ce module contient les fonctions de convolution. |
| torch.Tensor | Ce module contient une matrice multidimensionnelle contenant des éléments d'un seul type de données. |
| torch.autograd | Ce module contient des classes et des fonctions mettant en oeuvre la différenciation automatique des fonctions scalaires arbitraires. |
| torch.cuda | Ce module permet d'ajouter la prise en charge des types de tenseur CUDA, mettant en oeuvre la même fonction que les tenseurs de processeur, mais ils utilisent des GPU pour le calcul. |
| torch.cuda.amp | Ce module permet de fournir des méthodes pratiques pour une précision mixte, où certaines opérations utilisent le type de données torch.float32 (float) et d'autres opérations utilisent torch.float16 (half). |
| torch.distributed | Ce module permet de prendre en charge trois dorsale intégrés, chacun avec des capacités différentes. |
| torch.distributions | Ce module contient des distributions de probabilité paramétrables et des fonctions d'échantillonnage. Il permet la construction de graphiques de calcul stochastique et d'estimateurs de gradient stochastique pour l'optimisation. Ce module suit généralement la conception du module Distributions de TensorFlow. |
| torch.futures | Ce module permet de fournir un type Future encapsulant une exécution désynchronisé et un ensemble de fonctions utilitaires pour simplifier les opérations sur les objets Future. |
| torch.hub | Ce module contient un référentiel de modèles pré-formés conçu pour faciliter la reproductibilité de la recherche. |
| torch.jit | Ce module contient le TorchScript, lequel est un moyen de créer des modèles sérialisables et optimisables à partir du code PyTorch. |
| torch.nn.init | Ce module permet de retourner la valeur de gain recommandée pour la fonction de non-linéarité donnée. |
| torch.onnx | Ce module contient un script simple exportant un AlexNet pré-entraîné tel que défini dans torchvision vers ONNX. |
| torch.optim | Ce module permet la mise en oeuvre de divers algorithmes d'optimisation. |
| torch.random | Ce module contient des fonctions aléatoires. |
| torch.sparse | Ce module contient les tenseurs clairsemés au format COO, pouvant entreposer et traiter efficacement les tenseurs pour lesquels la majorité des éléments sont des zéros. |
| torch.Storage | Ce module contient un tableau unidimensionnel contigu d'un seul type de données. |
| torch.utils.bottleneck | Ce module contient un outil pouvant être utilisé comme étape initiale pour déboguer les goulots d'étranglement dans votre programme. |
| torch.utils.checkpoint | Ce module contient le point de contrôle mettant en oeuvre un segment de passage avant pour chaque segment avec un point de contrôle pendant le retour. |
| torch.utils.cpp_extension | Ce module contient l'extension des utilitaires écrit en C++. |
| torch.utils.data | Ce module contient le coeur de l'utilitaire de chargement de données PyTorch dans lequel trouve la classe torch.utils.data.DataLoader. Il représente un Python itérable sur un ensemble de données, avec la prise en charge d'ensembles de données de type carte et de style itérable, une personnalisation de l'ordre de chargement des données, un dosage automatique, un chargement de données mono et multi-processus et un épinglage automatique de la mémoire. |
| torch.utils.dlpack | Ce module contient les utilitaires dlpack. |
| torch.utils.mobile_optimizer | Ce module contient l'utilitaire torch.mobile_optimizer.optimize_for_mobile pour exécuter une liste de passes d'optimisation avec des modules en mode eval. |
| torch.utils.model_zoo | Ce module contient les utilitaires du modèle ZOO. |
| torch.utils.tensorboard | Ce module contient les utilitaires permettant de consigner les modèles et les métriques PyTorch dans un répertoire pour les visualiser dans l'interface utilisateur de TensorBoard. Les scalaires, les images, les histogrammes, les graphiques et les visualisations d'incorporation sont tous pris en charge pour les modèles et tenseurs PyTorch, ainsi que pour les réseaux et blobs Caffe2. |
| torch.__config__ | Ce module contient les configurations de PyTorch. |
Dernière mise à jour : Vendredi, le 6 mars 2020